ایچ آر اے آئی ٹولز استعمال کر رہا ہے مگر اب بھی واضح فریم ورک کی ضرورت ہے

ابھیشیک ڈیوڈ نے ایچ آر میں سولہ سال عملی تجربہ حاصل کرنے کے بعد تحقیق کے شعبے میں قدم رکھا۔ وہ اس وقت انڈین اسکول آف بزنس میں ڈاکٹریٹ کے طالب علم ہیں، جہاں ان کی تحقیق کا مرکز مستقبل کی ورک پلیس، ESG اور انفرادی رویے ہیں۔ وہ "احساسِ وابستگی" کے تصور پر بھی کام کر رہے ہیں: ان کا ماننا ہے کہ DEI اقدامات اس لیے ناکام ہوتے ہیں کہ تنوع کے اہداف غلط نہیں بلکہ اس لیے کہ وابستگی ہر فرد کے لیے مختلف محرکات سے جڑی ہے، اور ایک ہی طریقہ سب پر لاگو نہیں ہو سکتا۔

Xobin Talks کے ایپی سوڈ #22 میں میزبان منجیت کور نے ابھیشیک کے تحقیق اور عملی تجربے سے حاصل شدہ بصیرتوں پر گفتگو کی۔ اس مکالمے میں یہ موضوعات شامل ہیں کہ ایچ آر میں اے آئی کہاں مؤثر ہے، کہاں غلط فہمی کا شکار ہے، ذمہ دارانہ اپنانا کیسا ہونا چاہیے، اور تنظیموں کو پرانے مسائل حل کرتے ہوئے نئے مسائل سے کیسے بچنا چاہیے۔

اے آئی ایچ آر کی کس طرح مدد کر رہا ہے؟ چند عملی مثالیں

ابھیشیک گفتگو کا آغاز IBM Watson سے کرتے ہیں، جو ملازمین کی وابستگی اور برقرار رکھنے کے لیے اے آئی کے ابتدائی استعمالات میں سے ایک ہے۔

ابھیشیک: "IBM نے آٹومیشن، ڈیٹا اور ڈیٹا ماڈلنگ میں سبقت حاصل کی۔ انہوں نے Watson کے ذریعے ملازمین کی انگیجمنٹ اور برقرار رکھنے میں بہتری لائی۔ وقت کے ساتھ اسے بزنس ٹول میں بدل دیا اور اس سے کروڑوں ڈالر کی بچت بھی کی۔"

اس کے بعد اے آئی کا استعمال تیزی سے بھرتی کے شعبے میں منتقل ہوا۔ امیدواروں کے انتظام کے نظام، ریزیومے اسکریننگ ٹولز اور JD-CV میچنگ پلیٹ فارمز ایچ آر میں اے آئی کے سب سے پہلے بڑے پیمانے پر اپنائے گئے استعمالات بنے، کیونکہ بھرتی وہ شعبہ ہے جہاں سب سے زیادہ منظم اور بڑی مقدار میں ڈیٹا دستیاب ہوتا ہے۔

چیٹ بوٹس اور آپریشنل آٹومیشن

ابھیشیک: "چیٹ بوٹس، NLPs وغیرہ کا استعمال آپ کے سوالات کے جوابات دینے اور ایچ آر آپریشنز میں کیا گیا ہے، خاص طور پر ان کاموں میں جو زیادہ آپریشنل نوعیت کے ہیں اور جہاں ملازمین کو اندرونی طور پر بہت سے سوالات کے جوابات دینے ہوتے ہیں۔"

سینٹیمنٹ اینالیسس، پیش گوئی پر مبنی برقرار رکھنے کے ماڈل، ایڈمن کاموں کے لیے روبوٹک پروسیس آٹومیشن، اور لرننگ مواد کی تیاری کے لیے جنریٹیو اے آئی جیسے استعمالات بھی سامنے آئے ہیں۔ ٹیلنٹ مارکیٹ پلیس پلیٹ فارمز، جو اندرونی موبلٹی اور گیگ ورک فورس مینجمنٹ کو ممکن بناتے ہیں، اس کی تازہ ترین لہر ہیں۔

میڈیکل فیلڈ کی مثال

ابھیشیک کی سب سے واضح مثال صحت کے شعبے سے ہے۔

ابھیشیک: "ڈاکٹرز بھی 3D امیجنگ اور سرجیکل روبوٹس استعمال کر رہے تھے، مگر اصل فائدہ تب ہوا جب کافی مریضوں کا ڈیٹا جمع ہو گیا۔ یہی مثال ایچ آر میں بھی ہے۔ بھرتی میں ریزیومے پارسنگ میں ابتدا میں نسل اور جنس کے حوالے سے تعصب تھا، مگر وقت کے ساتھ ڈیٹا اور لیبل درستگی نے اسے زیادہ مفید بنا دیا۔"

2026 تک نصف سے کم تنظیمیں ایچ آر میں اے آئی استعمال کریں گی، اور اس کا استعمال مخصوص شعبوں تک محدود ہے: بھرتی میں 27%، ایچ آر ٹیکنالوجی میں 21%، لرننگ اینڈ ڈیولپمنٹ میں 17%، اور ملازم تجربے میں 14% (SHRM State of AI in HR, 2026)۔ ڈیٹا میچورٹی کا فرق ہی وجہ ہے کہ اپنانا ابھی بھی زیادہ تر ابتدائی مراحل تک محدود ہے، جہاں ڈیٹا زیادہ دستیاب ہے۔

کمپنیاں اخلاقیات کو نظرانداز کیے بغیر اے آئی سے بہتر نتائج کیسے حاصل کر سکتی ہیں؟

یہاں ابھیشیک اس بات سے آگے بڑھتے ہیں کہ اے آئی کیا کر سکتا ہے، اور اس طرف آتے ہیں کہ تنظیموں کو اسے متعارف کرانے سے پہلے کیا تیار کرنا چاہیے۔

پہلے اخلاقی ڈھانچہ بنائیں

ابھیشیک: "جو کمپنیاں اے آئی ٹولز استعمال کرتی ہیں انہیں چاہیے کہ وہ اپنی ٹیموں کے لیے واضح اصول بنائیں۔ ایک آزاد اخلاقی کمیٹی بنائیں جو ان پریکٹسز کا جائزہ لے۔ یہ نگرانی بزنس ٹیم سے الگ ہونی چاہیے۔ ہر ماڈل، کمیونیکیشن، ٹول یا الگورتھم بالکل شفاف اور قابل وضاحت ہونا چاہیے، ورنہ آپ تعصبات وراثت میں لے رہے ہیں۔"

صرف 18% کمپنیوں نے اپنے ایچ آر گورننس فریم ورک میں اے آئی اخلاقیات بورڈ قائم کیا ہے، جبکہ 41% ایچ آر پروفیشنلز اے آئی اپنانے میں الگورتھمک تعصب کو سب سے بڑا مسئلہ سمجھتے ہیں (SQ Magazine, 2025)۔ تشویش اور عملی اقدامات کے درمیان فرق بہت زیادہ ہے۔

GDPR اور ریگولیٹری کمپلائنس لازمی ہے

ابھیشیک: "ڈیٹا پرائیویسی کے اقدامات لازمی ہیں۔ GDPR اور دیگر ریگولیٹری گائیڈ لائنز کی پابندی ڈیجیٹل اور اے آئی دور میں کام کرنے والوں کے لیے نہایت اہم ہے۔"

تیزی سے اپنانے کا دباؤ اور احتیاط سے گورن کرنے کی ضرورت ایک دوسرے کے متضاد ہیں، اور زیادہ تر تنظیمیں تیزی سے آگے بڑھ رہی ہیں اور امید کر رہی ہیں کہ کمپلائنس بعد میں ہو جائے گا۔

مسلسل نگرانی، صرف ایک بار نفاذ نہیں

ابھیشیک: "مسلسل نگرانی اور جائزہ ضروری ہے کیونکہ کسی کو بھی اس سب کے نتائج کا ابھی تک مکمل علم نہیں۔ McKinsey اور Deloitte کی اسٹڈیز کہتی ہیں کہ بزنس نتائج میں کئی گنا اضافہ ہوگا، مگر ابھی تک اس کا عملی ثبوت نہیں ملا۔ ہمیں ان ٹولز کے فوائد کی نگرانی کرنی ہے جو نافذ کیے جا رہے ہیں۔ یہاں احتیاط کی ضرورت ہے۔"

یہ اعتراف اہم ہے: ایچ آر میں اے آئی پر سرمایہ کاری کا حقیقی منافع ابھی تک بڑے پیمانے پر ثابت نہیں ہوا، اور تنظیمیں ایک ایسے وعدے پر شرط لگا رہی ہیں جو ابھی مکمل طور پر سامنے نہیں آیا۔

ایچ آر ٹیمیں اے آئی کے بارے میں اکثر کیا غلط سمجھتی ہیں

ابھیشیک چار عام غلط فہمیاں بیان کرتے ہیں جو وہ اپنی تحقیق اور مشاورت میں اکثر دیکھتے ہیں۔

غلط فہمی 1: اے آئی ہماری نوکریاں لے لے گا

ابھیشیک: "نوکریاں تیزی سے بدل رہی ہیں، اس لیے ہمیں کل کی مہارتوں کے لیے تیار رہنا چاہیے۔ یہ اصول ملازمین اور ایچ آر ٹیموں دونوں پر لاگو ہوتا ہے۔ دونوں کو سیکھتے رہنا اور تیار رہنا چاہیے۔ اے آئی ٹولز کا استعمال یہ نہیں کہ ایچ آر پروفیشنلز کی جگہ لے، بلکہ یہ فیصلہ سازی میں ان کی مدد ہے۔ جو کام میں پہلے کرتا تھا، اس میں سے کچھ مشین کرے گی اور کچھ میں خود۔ یہ مکمل متبادل نہیں بلکہ بہترین تکمیل ہے۔"

غلط فہمی 2: اے آئی فوراً سب مسائل حل کر دے گا

ابھیشیک: "یہ اے آئی ٹول اگر ہم نافذ کر لیں تو یہ میرے سب مسائل حل کر دے گا یا یہ سب کچھ تیزی سے کر دے گا۔"

نفاذ کی رفتار نتائج کے معیار کا تعین نہیں کرتی۔ وہ ٹولز جو مناسب تربیتی ڈیٹا، تبدیلی کے انتظام اور واضح مسئلے کی تعریف کے بغیر نافذ کیے جاتے ہیں، اپنی تکنیکی صلاحیت کے باوجود کم کارکردگی دکھاتے ہیں۔

غلط فہمی 3: اے آئی تعصب ختم کر دیتا ہے

ابھیشیک: "ہم بار بار کہتے ہیں کہ جب ہم اے آئی لاتے ہیں تو نظام سے تعصب ختم ہو جائے گا۔ یہ سب سے بڑی غلط فہمیاں ہیں جنہیں دور کرنا ضروری ہے۔"

2025 میں 29% کمپنیوں نے بھرتی کے اے آئی ٹولز کو تعصب کے انکشاف پر روک دیا یا ان میں تبدیلی کی (SQ Magazine, 2025)۔ تاریخی ڈیٹا پر تربیت پانے والا اے آئی انہی تعصبات کو دہراتا ہے جب تک تربیتی ڈیٹا اور لیبلنگ کو وقت کے ساتھ درست نہ کیا جائے۔

غلط فہمی 4: ایک ہی حل سب کے لیے کافی ہے

ابھیشیک: "ایک ہی حل سب کے لیے نہیں۔ ٹولز لائیں، تبدیلیوں کو ناپیں، دیکھیں کہ وہ کتنے شفاف ہیں، اور ملازم کے پورے تجربے کے سفر میں کیسے ہیں۔ سادگی بھی کسی بھی ٹیک یا ڈیجیٹل نفاذ میں کلیدی حیثیت رکھتی ہے۔"

وقت کے ساتھ ساتھ اے آئی کس طرح ورک پلیس کلچر اور ملازمین کی فلاح پر اثرانداز ہوگا؟

ابھیشیک اس سوال کا جواب دو زاویوں سے دیتے ہیں: کاروباری نقطہ نظر اور انسانی نقطہ نظر سے۔

کاروباری نقطہ نظر: فِن ٹیک اور صنعتوں کی سرحدیں مدھم ہونا

ابھیشیک: "صرف دو تین سال پہلے ہم کہتے تھے کہ فِن ٹیک الگ ہے اور بینک الگ۔ اب کوئی فرق نہیں۔ لائن مدھم ہو گئی ہے۔ فِن ٹیک کو بھی بینک کی طرح ریگولیٹ ہونا پڑتا ہے، اور بینک کو بھی ڈیجیٹل اور خودکار ہونا پڑتا ہے۔ کوئی بھی نوکیا نہیں بننا چاہتا، سب آگے بڑھنا چاہتے ہیں تاکہ مارکیٹ کیپٹل اور منافع برقرار رہے۔"

کاروبار کے لیے ڈیجیٹل ہونا اب انتخاب نہیں، ضرورت ہے۔ جو کمپنیاں اے آئی اپنانے میں تاخیر کریں گی وہ ویسے ہی پیچھے رہ جائیں گی جیسے 1990 کی دہائی میں انٹرنیٹ کو کم اہمیت دینے والے کاروبار۔

ایچ آر نقطہ نظر: ایٹریشن نہیں، برقرار رکھنے کی پیش گوئی کریں

ابھیشیک: "ایچ آر ہمیشہ سے بڑے پیمانے پر ڈیٹا رکھتا آیا ہے۔ ہم ہمیشہ ایٹریشن دیکھتے ہیں۔ کیوں نہ برقرار رکھنے کو دیکھیں؟ ہم ہمیشہ پچھلا ڈیٹا دیکھتے ہیں، ایٹریشن فیصد دیکھتے ہیں، مگر برقرار رکھنے کے عوامل نہیں دیکھتے تاکہ مستقبل کی پیش گوئی ہو سکے۔ ایچ آر کو لیڈ ڈیٹا دیکھ کر پیش گوئی پر مبنی فیصلے اور اینالٹکس کرنے ہوں گے، یہی تبدیلی آئے گی۔"

یہ تبدیلی معمولی نہیں: ایٹریشن ڈیٹا بتاتا ہے کون اور کب گیا۔ برقرار رکھنے کی پیش گوئی بتاتی ہے کون جانے والا ہے، اس سے پہلے کہ وہ سوچے۔ یہ فرق پوسٹ مارٹم اور بروقت مداخلت کے درمیان ہے، اور زیادہ تر ایچ آر ٹیمیں اب بھی پوسٹ مارٹم پر چل رہی ہیں۔

انسانی نقطہ نظر: فلاح، DEI اور وقت کے ساتھ تعصب میں کمی

ابھیشیک طویل المدتی DEI کے حوالے سے پرامید ہیں، مگر ٹائم لائن کے بارے میں حقیقت پسند۔

ابھیشیک: "میں دیکھ رہا ہوں کہ تعصب اور فرق کم ہو رہا ہے۔ لائن وقت کے ساتھ مدھم ہو رہی ہے۔ اگلے پانچ سے دس سال میں صنفی تنوع لازمی ہو جائے گا۔ اگر کسی تنظیم میں یہ نہیں ہوگا تو اس سے سوال کیا جائے گا۔ یہ کم از کم معیار بن جائے گا۔"

وہ یہ بھی تسلیم کرتے ہیں کہ اے آئی پر زیادہ انحصار خطرات بھی لاتا ہے: ٹیکنالوجی پر ضرورت سے زیادہ بھروسہ، ڈیٹا کے بڑھتے حجم کے ساتھ پرائیویسی کے خدشات، اور تاریخی ڈیٹا سے سیکھنے والے نظاموں میں تعصب کا مستقل چیلنج۔

ان کا بنیادی پیغام انسانی ارتقا ہے۔ ہر بڑی ٹیکنالوجی تبدیلی-1980 کی دہائی میں کمپیوٹر، پھر انٹرنیٹ، پھر موبائل-نے انسانوں کو خود کو ڈھالنے پر مجبور کیا۔ اے آئی اسی سلسلے کی اگلی کڑی ہے۔

ابھیشیک: "مسلسل ارتقا اور سیکھنا ہی انسانی ارتقا ہے۔ امید ہے ہم اے آئی اور ڈیجیٹل تبدیلی کے لیے بھی ایسے ہی تیار ہوں گے جیسے کمپیوٹر، انٹرنیٹ اور موبائل کے لیے ہوئے تھے۔"

ابھیشیک ڈیوڈ کے بارے میں

ابھیشیک ڈیوڈ سولہ سالہ ایچ آر تجربہ اپنے ڈاکٹریٹ کے تحقیقی سفر میں ساتھ لائے ہیں۔ ان کا کام تنظیمی رویے، ٹیکنالوجی اپنانے اور ایچ آر حکمت عملی کے سنگم پر ہے، خاص طور پر مستقبل کی ورک پلیس، ESG اہداف اور DEI میں وابستگی کے تصور پر۔ اکیڈمیا میں آنے سے پہلے وہ بھارت اور یو اے ای میں مختلف صنعتوں میں سینئر ایچ آر عہدوں پر فائز رہے، جس سے ان کی تحقیق کو عملی بنیاد ملی۔ وہ NUS کے سابق طالب علم اور یو اے ای ایچ آر کمیونٹی میں سرگرم تھوٹ لیڈر ہیں، جن کی مہارت میں ایچ آر ٹرانسفارمیشن، OD، ٹیلنٹ برقرار رکھنا، کلچر اور تبدیلی کا انتظام، اور بزنس پارٹنرشپس شامل ہیں۔